JP2000182187A - 駐車状況測定方法およびその装置 - Google Patents

Abstract

(57)【要約】 【課題】 システムの小型化と駐車率の推定精度の向上
を図るとともに、最適な重み係数を決定するための学習
に多くの時間を費やすことのないニューラルネットワー
クを用いた駐車状況測定方法とその装置を提供する。 【解決手段】 駐車場の特定駐車エリアにおける駐車台
数からニューラルネットワークを用いて駐車場全体の駐
車率を推定する駐車状況測定方法において、前記特定駐
車エリアの駐車台数を各車種別に設けた車種別用ニュー
ラルネットワークに入力して車種別の駐車率を求め、そ
の求めた各駐車率を全体用ニューラルネットワークに入
力して駐車場全体の駐車率を推定するようにした駐車状
況測定方法である。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、ニューラルネット
ワークを用いた駐車状況測定方法とその装置に関し、よ
り詳しくは、大型車用駐車エリアと小型車用駐車エリア
の駐車率および駐車場全体の駐車率を小規模構成のニュ
ーラルネットワークを用いて効率的に推定することがで
きる駐車状況測定方法とその装置に関する。

【０００２】

【従来の技術】本出願人は、先に、ニューラルネットワ
ークを利用して、駐車場の全体駐車率と相関が高い特定
駐車エリアの部分的な駐車状況から全体駐車率を推定す
ることができる駐車状況測定方法を提案した（特公平７
−５４５６０号参照）。この先願に係る駐車状況測定方
法は、駐車率などの駐車状況を測定するための情報処理
部にニューラルネットワークを用い、このニューラルネ
ットワークに教師信号（正解事象）を用いて学習させる
ことにより、その時点における最適な重み係数を算出
し、該得られた重み係数を用いてニューラルネットワー
クにより部分的な駐車状況から駐車場全体の駐車率を推
定するようにしたものである。

【０００３】

【発明が解決しようとする課題】ところで、従来の駐車
場などにおける駐車管理に際しては、駐車場全体の駐車
率を求めるだけで済んでいた。しかしながら、近年、Ｖ
ＩＣＳ（Vehicle Information Communication System：
道路交通情報通信システム）などの普及に伴い、例えば
高速道路のパーキングエリアやサービスエリアなどでは
きめ細かな駐車場管理が要求されるようになってきてお
り、従来のように駐車場全体の駐車率だけでなく、トラ
ックやバスなどの大型車両の駐車率や乗用車などの小型
車両の駐車率についても求められるようになってきてい
る。

【０００４】このような要求を満たすための最も簡単な
方法は、図７（ａ）〜（ｃ）に示すように、それぞれの
駐車エリア毎に専用の駐車状況測定装置を設置すること
である。すなわち、大型車用駐車エリアについては、図
７（ａ）に示すように、特定駐車エリア毎の駐車車両台
数を検知する駐車車両検知装置５１１〜５１４と、この
駐車車両検知装置５１１〜５１４の駐車台数信号を入力
して大型車用駐車エリアの駐車率を推定するニューラル
ネットワーク５２とからなる大型車用駐車状況測定装置
を設置し、また、小型車用駐車エリアについては、図７
（ｂ）に示すように、特定駐車エリア毎の駐車車両台数
を検知する駐車車両検知装置５１５〜５１８と、この駐
車車両検知装置５１５〜５１８の駐車台数信号を入力し
て小型車駐車エリアの駐車率を推定するニューラルネッ
トワーク５３とからなる小型車用駐車状況測定装置を設
置し、さらに、駐車場全体については、図７（ｃ）に示
すように、前記大型車用駐車エリアと小型車用駐車エリ
アに設置された全８台の駐車車両検知装置５１１〜５１
８の駐車台数信号を入力して駐車場全体の駐車率を推定
するニューラルネットワーク５４とからなる全体用駐車
状況測定装置を設置すればよい。なお、前記駐車車両検
知装置は、ループコイルやＴＶカメラを用いた公知の車
両検知装置によって構成される。

【０００５】しかしながら、このようにそれぞれの駐車
エリア毎に専用の駐車状況測定装置を設置した場合、図
７（ｃ）から明らかなように、駐車車両検知装置５１１
〜５１８の台数が増えれば増えるほど、駐車場全体の駐
車率を推定するためのニューラルネットワーク５４の構
成が大規模になってしまうという問題がある。また、ニ
ューラルネットワークの構成が大規模になればなるほ
ど、ニューラルネットワークの各ニューロン間の結合度
を与える重み係数を算出するための学習に多くの時間を
費やしてしまうという新たな問題が発生する。

【０００６】本発明は、上記のような問題を解決するた
めになされたもので、大型車用駐車エリアと小型車用駐
車エリアの部分駐車率を監視する特定駐車エリアの数が
増加しても、駐車場全体の駐車率を推定するためのニュ
ーラルネットワークの構成が大きくなることがなく、シ
ステムの小型化と駐車率の算出精度の向上を図ることが
できるとともに、最適な重み係数を決定するための学習
に多くの時間を費やすことのない、ニューラルネットワ
ークを用いた駐車状況測定方法とその装置を提供するこ
とを目的とする。

【０００７】

【課題を解決するための手段】上記目的を達成するた
め、請求項１記載の駐車状況測定方法は、駐車場の特定
駐車エリアにおける駐車台数からニューラルネットワー
クを用いて駐車場全体の駐車率を推定する駐車状況測定
方法において、前記特定駐車エリアの駐車台数を各車種
別に設けた車種別用ニューラルネットワークに入力して
車種別の駐車率を求め、その求めた各駐車率を全体用ニ
ューラルネットワークに入力して駐車場全体の駐車率を
推定するようにしたものである。

【０００８】請求項２記載の駐車状況測定装置は、駐車
場の特定駐車エリアの駐車台数を検出する複数台の駐車
車両検知手段と、大型車用駐車エリアの駐車台数を入力
して大型車用駐車エリアの駐車率を推定する大型車用ニ
ューラルネットワークと、小型車用駐車エリアの駐車台
数を入力して小型車用駐車エリアの駐車率を推定する小
型車用ニューラルネットワークと、前記大型車用ニュー
ラルネットワークおよび小型車用ニューラルネットワー
クの出力する各駐車率を入力して駐車場全体の駐車率を
推定する全体用ニューラルネットワークとより構成した
ものである。

【０００９】請求項３記載の駐車状況測定装置は、前記
請求項２記載の駐車状況測定装置において、前記特定駐
車エリアを撮影する撮像手段と、該撮像手段によって撮
影された特定駐車エリアの画像を処理して駐車台数を計
数する画像処理手段とから構成したものである。

【００１０】上記のような測定方法ならびに装置構成と
した場合、駐車状況測定装置を構成するニューラルネッ
トワーク、特に駐車場全体の駐車率を推定するための全
体用ニューラルネットワークの構成を図７に示した従来
方式に比べて格段に簡素化することができる。このた
め、装置全体の構成を簡素化できるととともに、ニュー
ロン間の結合度を与える重み係数を決定するための学習
時間も格段に短縮することができる。

【００１１】

【発明の実施の形態】以下、本発明の実施の形態につい
て図面を参照して説明する。図１に、本発明に係る駐車
状況測定装置の一実施の形態を示す。この実施の形態
は、図示するように、大型車用駐車エリアを撮影する４
台のＴＶカメラ（撮像手段）１1 〜１4 と、小型車用駐
車エリアを撮影する４台のＴＶカメラ（撮像手段）１5
〜１8 と、ＴＶカメラ１1 〜１8 からの画像を処理して
特定駐車エリアの駐車台数を求める公知の画像処理手段
２1 〜２8 と、大型車用駐車エリア用の４台の画像処理
手段２1 〜２4 の駐車台数を入力して大型車用駐車エリ
アの駐車率を推定する大型車用ニューラルネットワーク
３と、小型車用駐車エリア用の４台の画像処理手段２5
〜２８の駐車台数を入力して小型車用駐車エリアの駐車
率を推定する小型車用ニューラルネットワーク４と、前
記大型車用ニューラルネットワーク３と小型車用ニュー
ラルネットワーク４の出力信号を入力して駐車場全体の
駐車率を推定する全体用ニューラルネットワーク５とか
ら構成されている。

【００１２】大型車用ニューラルネットワーク３は、入
力層３０１、中間層３０２、出力層３０３の三層構造か
らなり、入力層３０１は４台の画像処理手段２1 〜２4
に対応した４個のニューロン３０１1 〜３０１4 から構
成され、中間層３０２は３個のニューロン３０２1 〜３
０２3 から構成され、出力層３０３は１個のニューロン
３０３1 から構成されている。これら入力層３０１、中
間層３０２、出力層３０３を構成する各ニューロンはそ
れぞれ固有の重み係数ｗによって結合されているが、こ
の重み係数ｗは、後述するように、測定開始に先立って
教師信号（正解事象）を用いて学習させることにより、
その時の状況に最適な値に設定されるものである。

【００１３】小型車用ニューラルネットワーク４は、入
力層４０１、中間層４０２、出力層４０３の三層構造か
らなり、入力層４０１は画像処理手段２5 〜２8 に対応
した４個のニューロン４０１1 〜４０１4 から構成さ
れ、中間層４０２は３個のニューロン４０２1 〜４０２
3 から構成され、出力層４０３は１個のニューロン４０
３1 から構成されている。これら入力層４０１、中間層
４０２、出力層４０３を構成する各ニューロンの間はそ
れぞれ固有の重み係数ｗによって結合されているが、こ
の重み係数ｗの値は、後述するように、測定開始に先立
って教師信号（正解事象）を用いて学習させることによ
り、その時の状況に最適な値に設定されるものである。

【００１４】全体用ニューラルネットワーク５は、入力
層５０１、中間層５０２、出力層５０３の三層構造から
なり、入力層５０１は大型車用ニューラルネットワーク
３の出力信号と小型車用ニューラルネットワーク４の出
力信号に対応した２個のニューロン５０１1 ，５０１2
から構成され、中間層５０２は３個のニューロン５０２
1 〜５０２3 から構成され、出力層５０３は１個のニュ
ーロン５０３1 から構成されている。これら入力層５０
１、中間層５０２、出力層５０３を構成する各ニューロ
ンの間はそれぞれ固有の重み係数ｗによって結合される
が、この各重み係数ｗの値は、後述するように、測定開
始に先立って教師信号（正解事象）を用いて学習させる
ことにより、その時の状況に最適な値に設定されるもの
である。

【００１５】上記構成から明らかなように、本発明の場
合、駐車場全体の駐車率を推定するための全体用ニュー
ラルネットワーク５は、ＴＶカメラ１1 〜１8 の設置台
数、すなわち、部分駐車率を監視する特定駐車エリアの
数の増減にかかわらず、入力層５０１のニューロンの数
が２個で済み、図７（ｃ）に示したニューラルネットワ
ーク５４に比べてその構成が格段に簡単になっているこ
とが分かる。このため、装置全体の構成を簡素化できる
ととともに、ニューロン間の結合度を与える重み係数を
決定するための学習時間も格段に短縮することができる
ようになる。

【００１６】なお、上記３つのニューラルネットワーク
３，４，５は、コンピュータ上でプログラムによってソ
フトウェア的に構成してもよいし、あるいは、専用のハ
ードウェア回路によって構成してもよいものである。い
ずれの場合においても、全体駐車率を推定するためのニ
ューラルネットワーク５の構成を格段に簡素化すること
ができるので、ソフトウェアによる場合には、処理プロ
グラムのボリュームを大幅に小さくし、処理能力の小さ
なＣＰＵを用いて装置を構成することができるし、ハー
ドウェア回路による場合には、使用部品や回路構造その
ものを大幅に簡素化することができる。

【００１７】図２に、図１中に示した監視用のＴＶカメ
ラ１1 〜１8 の設置状態例を示す。駐車場１１は、大型
車用駐車エリア１２と小型車用駐車エリア１３とに分け
られている。大型車用駐車エリア１２内は、白線などで
大型車用の多数の駐車ブロック１４に区画されており、
この各駐車ブロック１４内にトラックやバスなどの大型
車両が一台づつ進入して駐車するようになっている。ま
た、小型車用駐車エリア１３は、白線などで小型車用の
多数の駐車ブロック１５に区画されており、この各駐車
ブロック１５内に乗用車などの小型車両が一台づつ進入
して駐車するようになっている。

【００１８】上記のような駐車場１１において、大型車
用駐車エリア１２と小型車用駐車エリア１３には、任意
台数（図示例では各４台）のＴＶカメラが所望の位置に
分散配置され、それぞれの駐車エリア１２，１３内に駐
車している車両を撮影するように設定されている。

【００１９】なお、説明の便宜上、大型車と小型車の各
駐車エリアを上下に分けて表現したが、ＴＶカメラが設
置される位置によっては１台のＴＶカメラで大型車と小
型車用の駐車エリアを同時に撮影する必要が生じ、この
場合には前記の画像処理の段階で駐車エリアを分割し、
それぞれの駐車台数を求める。

【００２０】次に、上記構成になる駐車状況測定装置の
動作について説明する。本発明の駐車状況測定装置の場
合、駐車率の測定開始に先立って、まず、各ニューラル
ネットワーク３，４，５の各ニューロン間の最適な重み
係数ｗを設定するための学習が行なわれる。

【００２１】すなわち、大型車用と小型車用の各ニュー
ラルネットワークの出力層３０３と４０３に予め収集し
ておいた多数の教師信号（正解事象）を入力し、公知の
学習手法、例えばバックプロパゲーション法などを利用
して学習を行わせ、その時の状況に最も適した各重み係
数ｗを決定し、該得られた値をそれぞれのニューロンに
設定する。次に、全体用ニューラルネットワークの出力
層５０３に同様に、教師信号（正解事象）を入力して学
習を行わせ、各重み係数ｗを決定し、該得られた値をそ
れぞれのニューロンに設定する。

【００２２】前述したように、本発明の駐車状況測定装
置の場合、全体用ニューラルネットワーク５の構成が極
めて簡単で済むため、後述する具体的な実施例からも明
らかとなるように、前記重み係数を決定するための学習
時間を、従来のものに比べて大幅に短縮（後述実施例で
は１／３以下）することができる。なお、この学習は、
例えば、朝・昼・夜の定時または一定時間毎、あるいは
必要に応じて適宜実行されるものである。

【００２３】次に、図３のフローチャートを参照して駐
車率の測定動作について説明する。上記のようにして各
ニューロン間の最適な重み係数ｗを設定した後、駐車率
の測定動作が開始される。はじめに、ＴＶカメラ（撮像
手段）１１〜１８で撮影さ画像は画像処理手段２₁ 〜２
₈ に入力されて駐車車両台数が検出され、大型車用と小
型車用の各ニューラルネットワーク２の入力層３０１と
４０１の各４個のニューロン３０１1 〜３０１4と４０
１1 〜４０１4 のそれぞれに入力する（ステップＳ
１）。

【００２４】そして、大型車用と小型車用の各ニューラ
ルネットワーク２は、各画像処理手段２₁ 〜２₈ からの
駐車車両台数を基に各駐車エリア１２，１３の駐車率を
推定し、出力層３０３と４０３から大型車駐車率と小型
車駐車率して出力する（ステップＳ２）。なお、大型車
の駐車スペースに小型車が一台駐車している場合におい
ては、大型車一台として計数する。

【００２５】上記のようにして得られた大型車駐車率と
小型車駐車率は、図示を略した管理システムに送られる
とともに、全体用ニューラルネットワーク５の入力層５
０１の２つのニューロン５０１1 ，５０１2 にそれぞれ
入力される（ステップＳ３）。そして、全体用ニューラ
ルネットワーク５は、この入力された大型車駐車率と小
型車駐車率を基に駐車場全体の駐車率を推定し、出力層
５０３から全体駐車率として出力する（ステップＳ
４）。このようにして得られた全体駐車率は、図示を略
した管理システムに送られ、既に得られている大型車駐
車率、小型車駐車率などとともに、種々の駐車管理に利
用される。

【００２６】上述したように、実施の形態に係る駐車状
況測定装置の場合、駐車状況測定装置を構成するニュー
ラルネットワーク、特に駐車場全体の駐車率を推定する
ための全体用ニューラルネットワーク５の構成を従来に
比べて格段に簡素化することができる。このため、装置
全体の構成を簡素化できるととともに、ニューロン間の
結合度を与える重み係数を決定するための学習時間も格
段に短縮することができるようになる。

【００２７】なお、前述した実施の形態は、いずれも、
ニューラルネットワークを入力層＝１層、中間層＝１
層、出力層＝１層の三層構造としたが、中間層の数を２
つまたはそれ以上に増やし、４層以上の構成になるニュ
ーラルネットワークとしてもよい。また、入力層、中間
層、出力層のそれぞれの層を構成するニューロンの数も
必要に応じて増減できるものであり、図示例のニューロ
ン数に限定されるものではない。さらに、駐車台数を検
知する手法としては、画像処理に限定されるものではな
く、超音波式やループコイル式などの任意の車両検知器
を用いることが可能である。さらにまた、車種の区分と
しては大型車と小型車に区分したが、この区分に限定さ
れるものではなく、必要に応じた車種区分を採用すれば
よい。

【００２８】次に、従来方式（図７）と本発明（図１）
の実測に基づく比較結果を示す。なお、今回の比較に使
用した駐車場は、駐車場全体の収容台数が２５９台、そ
のうち、大型車の収容台数が１０２台、小型車の収容台
数が１５７台である。また、駐車場を監視するＴＶカメ
ラの総台数は６台であり、このうち、３台のＴＶカメラ
で大型車用駐車エリアを監視し、残りの３台で小型車用
駐車エリアを監視するようにした。

【００２９】大型車用駐車エリアに設置した３台のＴＶ
カメラは、大型車用駐車エリアの１０２台分の駐車ブロ
ックのうち、５６台分の駐車ブロックを撮影し、また、
小型車用駐車エリアに設置した３台のＴＶカメラは、小
型車用駐車エリアの１５７台分の駐車ブロックのうち、
９８台分の駐車ブロックを撮影するように設置した。し
たがって、大型車用駐車エリアの部分監視率は５６／１
０２＝５４．９％、小型車用駐車エリアの部分監視率は
９８／１５７＝６２．４％、駐車場全体の部分監視率は
１５４／２５９＝５９．５％である。

【００３０】まず、初めに、従来方式における全体用ニ
ューラルネットワーク５４（図７（ｃ）参照）と、本発
明の全体用ニューラルネットワーク５（図１参照）の重
み係数決定のための学習結果について、その比較結果を
表１と図４に示す。表１は学習時間の比較結果、図４は
学習誤差の比較結果である。

【００３１】なお、この比較例の場合、ニューラルネッ
トワークとしてアナログ出力ニューラルネットワーク
（Ａ．Ｎ．Ｎ）を用いた。従来方式の場合、全体用ニュ
ーラルネットワーク５４の構成は、入力層＝６、中間層
＝７、出力層＝１（表中では、６−７−１と記載）と
し、本発明の場合、全体用ニューラルネットワーク４の
構成は、入力層＝２、中間層＝３、出力層＝１（表中で
は、２−３−１と記載）とした。

【００３２】

【表１】

【００３３】表１から明らかなように、重み係数を決定
するための学習時間は、従来方式の場合には８０秒、本
発明の場合には２４秒であり、学習時間が１／３以下と
なっており、学習効果の向上が図れていることが分か
る。また、図４から明らかなように、本発明の方が従来
方式よりも学習曲線の収束が速く行われていることが分
かる。

【００３４】次に、従来方式と本発明との処理精度の比
較結果を図５および図６に示す。図５は平日（１０月９
日）における駐車率の推定結果を示すもので、（ａ）は
小型車用駐車エリアの駐車率、（ｂ）は大型車用駐車エ
リアの駐車率、（ｃ）は本発明による全体駐車率、
（ｄ）は従来方式による全体駐車率である。また、図６
は休日（１０月１０日）における駐車率の推定結果を示
すもので、（ａ）は小型車用駐車エリアの駐車率、
（ｂ）は大型車用駐車エリアの駐車率、（ｃ）は本発明
による全体駐車率、（ｄ）は従来方式による全体駐車率
である。

【００３５】なお、図５および図７中の「真値」とは、
この両日において、観測員が５分おきに実際の駐車台数
をカウントして算出した駐車率である。この真値と、ニ
ューラルネットワークによる推定駐車率との標準偏差を
表２に示す。表２より、従来方式よりも本発明の方がよ
り真値に近い駐車率を推定していることが分かる。

【００３６】

【表２】

【００３７】

【発明の効果】以上説明したように、請求項１記載の発
明によるときは、大型車用駐車エリアや小型車用駐車エ
リアなどの車種別駐車エリアに設置する監視用の駐車両
検知装置の台数が増加しても、駐車場全体の駐車率を推
定するためのニューラルネットワークの構成が大きくな
ることがなく、システムの小型化と駐車率の算出精度の
向上を図ることができるとともに、最適な重み係数を決
定するための学習に多くの時間を費やすことのない、ニ
ューラルネットワークを用いた駐車状況測定方法を提供
することができる。

【００３８】請求項２記載の発明によるときは、システ
ムを小型化できると共に、駐車率の算出精度が高く、し
かも、最適な重み係数を決定するための学習時間も短縮
できる駐車状況測定装置を提供することができる。

【００３９】請求項３記載の発明によるときは、一台の
ＴＶカメラで複数の駐車スペースの監視が可能なため、
請求項２の効果に加え、さらに全体の設備が小さい駐車
状況測定装置を提供することができる。

【図面の簡単な説明】

【図１】本発明に係る駐車状況測定装置の実施の形態を
示すブロック図である。

【図２】監視用のＴＶカメラの設置状態を示す図であ
る。

【図３】駐車率の測定動作のフローチャートである。

【図４】学習誤差の比較結果を示す図である。

【図５】従来方式と本発明の平日における処理精度の比
較結果を示すもので、（ａ）は小型車用駐車エリアの駐
車率を示す図、（ｂ）は大型車用駐車エリアの駐車率を
示す図、（ｃ）は本発明による全体駐車率を示す図、
（ｄ）は従来方式による全体駐車率を示す図である。

【図６】従来方式と本発明の休日における処理精度の比
較結果を示すもので、（ａ）は小型車用駐車エリアの駐
車率を示す図、（ｂ）は大型車用駐車エリアの駐車率を
示す図、（ｃ）は本発明による全体駐車率を示す図、
（ｄ）は従来方式による全体駐車率を示す図である。

【図７】従来方式の一例を示すもので、（ａ）は大型車
駐車エリア用駐車状況測定装置のニューラルネットワー
クの構成を示すブロック図、（ｂ）は小型車駐車エリア
用駐車状況測定装置のニューラルネットワークの構成を
示すブロック図、（ｃ）は全体用駐車状況測定装置のニ
ューラルネットワークの構成を示すブロック図である。

【符号の説明】

１ ＴＶカメラ（撮像手段） ２₁ 〜２₈ 画像処理手段 ３ 大型車用ニューラルネットワーク ３０１ 入力層 ３０２ 中間層 ３０３ 出力層 ４ 小型車用ニューラルネットワーク ４０１ 入力層 ４０２ 中間層 ４０３ 出力層 ５ 全体用ニューラルネットワーク ５０１ 入力層 ５０２ 中間層 ５０３ 出力層 １１ 駐車場 １２ 大型車用駐車エリア １３ 小型車用駐車エリア １４ 大型車用駐車エリアの駐車ブロック １５ 小型車用駐車エリアの駐車ブロック

───────────────────────────────────────────────────── フロントページの続き (72)発明者 上田 浩次 愛知県海部郡美和町大字篠田字面徳29−１ 名古屋電機工業株式会社美和工場内 (72)発明者 堀場 勇夫 愛知県刈谷市東境町新林50−２ Ｆターム(参考） 5B049 BB31 CC46 EE03 EE07 EE12 EE14 5B057 AA06 BA02 DA13 DA20 5H180 AA02 AA03 CC04 CC11 CC17 EE07 KK06

Claims (3)

【特許請求の範囲】
1. 【請求項１】 駐車場の特定駐車エリアにおける駐車台
   数からニューラルネットワークを用いて駐車場全体の駐
   車率を推定する駐車状況測定方法において、 前記特定駐車エリアの駐車台数を各車種別に設けた車種
   別用ニューラルネットワークに入力して車種別の駐車率
   を求め、その求めた各駐車率を全体用ニューラルネット
   ワークに入力して駐車場全体の駐車率を推定することを
   特徴とする駐車状況測定方法。
2. 【請求項２】 駐車場の特定駐車エリアの駐車台数を検
   出する複数台の駐車車両検知手段と、 大型車用駐車エリアの駐車台数を入力して大型車用駐車
   エリアの駐車率を推定する大型車用ニューラルネットワ
   ークと、 小型車用駐車エリアの駐車台数を入力して小型車用駐車
   エリアの駐車率を推定する小型車用ニューラルネットワ
   ークと、 前記大型車用ニューラルネットワークおよび小型車用ニ
   ューラルネットワークの出力する各駐車率を入力して駐
   車場全体の駐車率を推定する全体用ニューラルネットワ
   ークとを備えたことを特徴とする駐車状況測定装置。
3. 【請求項３】 前記駐車車両検知手段が、特定駐車エリ
   アを撮影する撮像手段と、該撮像手段によって撮影され
   た特定駐車エリアの画像を処理して駐車台数を計数する
   画像処理手段とからなることを特徴とする請求項２記載
   の駐車状況測定装置。